GENIUS-MAWII: for robust Mendelian randomization with many weak invalid instruments
GENIUS-MAWII：应对大量弱且无效工具变量的稳健孟德尔随机化AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以遗传变异为工具变量识别因果效应，并处理弱工具变量与工具变量无效问题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
GENIUS-MAWII：应对大量弱且无效工具变量的稳健孟德尔随机化
- 研究问题
- 研究孟德尔随机化中大量弱遗传工具变量与广泛水平多效性并存时，如何识别和估计暴露的因果效应并诊断识别问题。
- 方法与思路
- 作者利用暴露异方差识别效应，推导影响函数并构造连续更新估计量，在大量弱且无效工具变量的渐近框架中开展分析。
- 材料陈述的贡献
- 摘要称，方法同时处理弱工具变量与水平多效性，建立渐近性质，并提供弱识别度量、过度识别检验和图形诊断工具。
- 阅读关注点
- 应核对异方差识别所需限制、允许的多效性结构、工具变量数量与强度的渐近关系，以及检验和诊断的有效性条件。
- 阅读边界
- 仅据所给 Crossref 摘要；具体识别假设、渐近条件和有限样本结果未说明，不能据题名认定对任意无效工具变量均稳健。
原文摘要
Abstract Mendelian randomization (MR) addresses causal questions using genetic variants as instrumental variables. We propose a new MR method, G-Estimation under No Interaction with Unmeasured Selection (GENIUS)-MAny Weak Invalid IV, which simultaneously addresses the 2 salient challenges in MR: many weak instruments and widespread horizontal pleiotropy. Similar to MR-GENIUS, we use heteroscedasticity of the exposure to identify the treatment effect. We derive influence functions of the treatment effect, and then we construct a continuous updating estimator and establish its asymptotic properties under a many weak invalid instruments asymptotic regime by developing novel semiparametric theory. We also provide a measure of weak identification, an overidentification test, and a graphical diagnostic tool.